CN109975839B - 一种车辆卫星定位数据的联合滤波优化方法 - Google Patents

一种车辆卫星定位数据的联合滤波优化方法 Download PDF

Info

Publication number
CN109975839B
CN109975839B CN201910284452.XA CN201910284452A CN109975839B CN 109975839 B CN109975839 B CN 109975839B CN 201910284452 A CN201910284452 A CN 201910284452A CN 109975839 B CN109975839 B CN 109975839B
Authority
CN
China
Prior art keywords
satellite positioning
dynamic threshold
time
positioning data
current moment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910284452.XA
Other languages
English (en)
Other versions
CN109975839A (zh
Inventor
高策
褚端峰
邱志军
吉海峰
何书贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ismartways Wuhan Technology Co ltd
Original Assignee
Ismartways Wuhan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ismartways Wuhan Technology Co ltd filed Critical Ismartways Wuhan Technology Co ltd
Priority to CN201910284452.XA priority Critical patent/CN109975839B/zh
Publication of CN109975839A publication Critical patent/CN109975839A/zh
Application granted granted Critical
Publication of CN109975839B publication Critical patent/CN109975839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种车辆卫星定位数据的联合滤波优化方法，包括以下步骤，首先对未处理的卫星定位数据点进行动态阈值判断，即对当前时刻卫星定位数据与前一时刻卫星定位数据的差值同其对应的阈值进行比较；然后，对大于阈值的卫星定位数据进行高斯过程回归，用高斯过程回归的卫星定位预测点代替原始的卫星定位数据点，其目的是去除一些无效的漂移点；最后，对卫星定位数据进行自适应Kalman滤波处理。本发明针对卫星定位信号受到干扰时发生的漂移现象，提出了同车速相关的动态阈值来判断卫星定位数据漂移现象，并针对漂移点提出了一种联合滤波优化方案，采用有监督的机器学习进行滤除，提高卫星定位的可靠性、准确性。

Description

一种车辆卫星定位数据的联合滤波优化方法
【技术领域】
本发明涉及交通安全技术领域，特别涉及一种车辆卫星定位数据的联合滤波优化方法。
【背景技术】
车载定位设备是全球定位系统在车辆上的应用，是诸多车辆以及交通应用的基础。车载定位设备为车辆提供了实时的位置，准确的车辆位置不仅可以提供便利，更增加了出行的安全性与可靠性。卫星定位信号属于电磁波，在地形复杂的环境中，如高楼林立的城市、高架桥下等，卫星定位信号容易发生反射而产生杂波，这些杂波会对车辆定位产生不利干扰，从而使车辆位置发生漂移现象。
而现有的车载卫星定位设备在车辆行驶时往往会受到很多的干扰，卫星定位信号出现较大的漂移现象，特别是车辆行驶处于低速时或者被高楼等高大遮挡物遮挡时，卫星定位信号会失准，从而出现较大的漂移现象发生。
车载卫星定位信号的漂移现象对于相关的车辆定位应用是十分不利的，特别是有关车辆安全方面的应用。因此滤除车载卫星定位的漂移信号就显得十分重要，对于车载定位的相关应用也会得到重要的保障。
【发明内容】
有鉴于此，为克服现有技术的不足，本发明提供一种车辆卫星定位数据的联合滤波优化方法，针对车载卫星定位信号漂移现象，基于高斯过程回归跟自适应卡尔曼滤波的联合技术，假设车速、加速度以及航向角可以获取的情况下，提供一种可以识别漂移点，为实现上述目的，本发明的技术方案如下：
一种车辆卫星定位数据的联合滤波优化方法，其特点是，包括以下步骤：
(1)步骤一，对原始卫星定位信息进行动态阈值判断，这里对t时刻(当前时刻)的位置与t-1时刻位置的欧式距离跟动态阈值进行比较判断，动态阈值如下：
Figure BDA0002022796460000021
其中：v为车辆当前时刻行驶的车速，Δt为数据采集的周期，当当前时刻与前一时刻的位置点的绝对欧式距离大于动态阈值时，进行高斯过程回归处理(步骤二)；否则，直接进行步骤三。
步骤二，对大于动态阈值部分的位置点视为漂移点，用新的估计点进行代替，新的估计点由高斯过程回归预测得到，这里的高斯过程回归是以前三个时刻的位置点作为有监督式学习来估计当前时刻的位置点。
进一步，具体计算方法是：
首先选取高斯核函数作为高斯过程回归的协方差函数：
Figure BDA0002022796460000022
这里加入了一个高斯白噪声，服从
Figure BDA0002022796460000023
分布。
然后根据上面的协方差函数可以得到观测值与预测值的联合分布，观测值y-3,y-2,y-1与预测值y的联合分布为：
Figure BDA0002022796460000024
其中，y-3,y-2,y-1为前三个时刻的观测值，y为当前时刻的预测值。
令
Figure BDA0002022796460000025
K*＝[k(x,x-3) k(x,x-2) k(x,x-1)]，K**＝k(x,x)，Y＝[y-3 y-2 y-1]T
则当前时刻的预测值为：
Figure BDA0002022796460000026
使用该预测值作为当前时刻新的卫星定位数据，代替当前时刻与前一时刻位置差大于动态阈值的数据。
步骤三，进行自适应卡尔曼滤波，对卫星定位数据进行滤波操作，经过所属滤波操作后产生新的卫星定位位置数据，即为滤除漂移数据优化后新的卫星定位数据。
所述自适应卡尔曼滤波模型及公式如下：
Figure BDA0002022796460000031
Figure BDA0002022796460000032
Figure BDA0002022796460000033
Figure BDA0002022796460000034
Figure BDA0002022796460000035
Figure BDA0002022796460000036
Figure BDA0002022796460000037
式中，zk＝(1-s)/(1-sk+1)，s为遗忘因子，一般根据经验取值，可取0.75～0.99。
其中，Kk为k时刻的卡尔曼滤波增益，Pk为k时刻的状态量的误差协方差矩阵，
Figure BDA0002022796460000038
为k时刻的状态估计量，
Figure BDA0002022796460000039
为k+1时刻状态变量的预测值。
经过以上步骤之后产生的新的卫星定位位置数据，即为滤除漂移数据优化后的卫星定位数据，代替原始的卫星定位数据进行使用。
(2)所述步骤一中，对动态阈值进行设定，当前时刻的位置信息是与上一时刻的位置信息和自身的速度与航向角有关的，当Δt足够短时，当前时刻的位置与前一时刻的位置关系具体为：
Figure BDA00020227964600000310
Figure BDA00020227964600000311
式中，Px,t表示t时刻在东北天坐标系下东西方向上的位置；Py,t表示t时刻在东北天坐标系下南北方向上的位置；vt-1表示t-1时刻的速度；at-1表示t-1时刻的加速度；
Figure BDA00020227964600000312
表示t-1时刻的航向角。
(3)在确定当前时刻位置与前一时刻的位置的关系可以选取动态阈值，所述动态阀值为各种情况下发生的最大值，在综合考虑信号干扰、速度以及加速度传感器误差的情况下，我们采用最大值的两倍作为动态阈值，如下：
Treshold＝2(v·Δt+0.5a·Δt2)
可见，在判断当前时刻的卫星定位点是否为漂移点(误差较大)时，判断依据为：
Pt-Pt-1＜Treshold
进一步，在实际情况中，当卫星定位在车辆行驶低速时，(3)中所设立的动态阀值不能满足低速时的情况，因为速度趋近于0时，上述的动态阀值相应的也会变小，此时的阀值可能因为卫星定位信号很小的波动就会造成大于阀值的情况，从而出现误判断，所以当速度为低速(速度小于10km/h)，定位周期为0.2s时，此时的阀值设置为1m.
(4)在上述(1)中所述的步骤二与步骤三中，采用了高斯过程回归与自适应卡尔曼滤波联合方法对卫星定位的漂移点进行滤除优化操作，其中高斯过程回归利用前三个时刻的位置信息进行学习预测当前时刻的位置，然后自适应卡尔曼滤波对于卫星定位较小的漂移也会进行滤除。
较大的漂移点采用动态阀值法进行识别，动态阈值跟实时的车速相关，对于车速小于10km/h时，选取的阈值为1m。
本发明的有益效果是，针对卫星定位信号数据漂移的弊端现象，提出了同车速相关的动态阀值来判断卫星定位数据漂移现象，尤其是较大的漂移点，提出了一种联合滤波优化方案，采用有监督的机器学习进行滤除，使得现有条件下，可有效滤除较大及较小的漂移点，提高了卫星定位的可靠性。
【附图说明】
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
【具体实施方式】
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，一种车辆卫星定位数据的联合滤波优化方法，针对卫星定位信号受到干扰时发生的漂移现象，提出了同车速相关的动态阈值来判断卫星定位数据漂移现象，并针对较大的漂移点，提出了一种联合滤波优化方案，采用有监督的机器学习进行滤除，使得在现有条件下，可有效滤除较大漂移点，提高卫星定位的可靠性。
具体步骤及过程方法如下：
(1)步骤S1首先对原始卫星定位信息进行动态阈值判断，再进行步骤S2，这里对t时刻(当前时刻)的位置与t-1时刻位置的欧式距离跟动态阈值进行比较判断，动态阈值如下：
Figure BDA0002022796460000051
其中：v为车辆当前时刻行驶的车速，Δt为数据采集的周期，当当前时刻与前一时刻的位置点的绝对欧式距离大于动态阈值时，进行高斯过程回归处理(步骤S3)；否则，直接进行步骤S4；
在步骤S2中，对大于动态阈值部分的位置点视为漂移点，用新的估计点进行代替，新的估计点由高斯过程回归预测得到，这里的高斯过程回归是以前三个时刻的位置点作为有监督式学习来估计当前时刻的位置点；
最后步骤S4，进行自适应卡尔曼滤波，对卫星定位数据进行滤波操作，经过所属滤波操作后产生新的卫星定位位置数据，即为步骤S5滤除漂移数据优化后新的卫星定位数据。
(2)所述步骤S1中，对动态阈值进行设定，当前时刻的位置信息是与上一时刻的位置信息和自身的速度与航向角有关的，当Δt足够短时，当前时刻的位置与前一时刻的位置关系具体为：
Figure BDA0002022796460000061
Figure BDA0002022796460000062
式中，Px,t表示t时刻在东北天坐标系下东西方向上的位置；Py,t表示t时刻在东北天坐标系下南北方向上的位置；vt-1表示t-1时刻的速度；at-1表示t-1时刻的加速度；
Figure BDA0002022796460000063
表示t-1时刻的航向角。
(3)在确定当前时刻位置与前一时刻的位置的关系可以选取动态阈值，所述动态阀值为各种情况下发生的最大值，在综合考虑信号干扰、速度以及加速度传感器误差的情况下，我们采用最大值的两倍作为动态阈值，如下：
Treshold＝2(v·Δt+0.5a·Δt2)
可见，在判断当前时刻的卫星定位点是否为漂移点(误差较大)时，判断依据为：
Pt-Pt-1＜Treshold
(4)所述步骤S3与步骤S4中，采用了高斯过程回归与自适应卡尔曼滤波联合方法对卫星定位的漂移点进行滤除优化操作，其中高斯过程回归利用前三个时刻的位置信息进行学习预测当前时刻的位置，然后自适应卡尔曼滤波对于卫星定位较小的漂移也会进行滤除。两种方法的有效结合可以对车载卫星定位的漂移点进行很好的滤除，既不影响车载卫星定位设备的实时性，又大大提高车载卫星定位的可靠性。
进一步，上述步骤S3高斯过程回归的具体计算方法是：
首先选取高斯核函数作为高斯过程回归的协方差函数：
Figure BDA0002022796460000064
这里加入了一个高斯白噪声，服从
Figure BDA0002022796460000065
分布。
然后根据上面的协方差函数可以得到观测值与预测值的联合分布，观测值y-3,y-2,y-1与预测值y的联合分布为：
Figure BDA0002022796460000071
其中，y-3,y-2,y-1为前三个时刻的观测值，y为当前时刻的预测值。
令
Figure BDA0002022796460000072
K*＝[k(x,x-3) k(x,x-2) k(x,x-1)]，K**＝k(x,x)，Y＝[y-3 y-2 y-1]T
则当前时刻的预测值为：
Figure BDA0002022796460000073
使用该预测值作为当前时刻新的卫星定位数据，代替当前时刻与前一时刻位置差大于动态阈值的数据。
步骤S4所述的自适应卡尔曼滤波模型及公式如下：
Figure BDA0002022796460000074
Figure BDA0002022796460000075
Figure BDA0002022796460000076
Figure BDA0002022796460000077
Figure BDA0002022796460000078
Figure BDA0002022796460000079
Figure BDA00020227964600000710
式中，zk＝(1-s)/(1-sk+1)，s为遗忘因子，一般根据经验取值，可取0.75～0.99。
其中，Kk为k时刻的卡尔曼滤波增益，Pk为k时刻的状态量的误差协方差矩阵，
Figure BDA00020227964600000711
为k时刻的状态估计量，
Figure BDA00020227964600000712
为k+1时刻状态变量的预测值。
经过以上步骤之后产生的新的卫星定位位置数据，即为步骤S5滤除漂移数据优化后的卫星定位数据，代替原始的卫星定位数据进行使用。
综上所述，针对卫星定位信号数据漂移的弊端现象，提出了同车速相关的动态阀值来判断卫星定位数据漂移现象，同时兼顾较大及较小的漂移点进行有效滤除，提出了一种联合滤波优化方案，提高了卫星定位的可靠性、准确性，实用性极强。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种车辆卫星定位数据的联合滤波优化方法，其特征在于，包括以下步骤：
步骤一，对原始卫星定位信息进行动态阈值判断，这里对t时刻，即当前时刻的位置与t-1时刻位置的欧式距离跟动态阈值进行比较判断，动态阈值如下：
其中：v为车辆当前时刻行驶的车速，Δt为数据采集的周期，当当前时刻与前一时刻的位置点的绝对欧式距离大于动态阈值时，进行步骤二；否则，直接进行步骤三；
步骤二，对大于动态阈值部分的位置点视为漂移点，用新的估计点进行代替，新的估计点由高斯过程回归预测得到，这里的高斯过程回归是以前三个时刻的位置点作为有监督式学习来估计当前时刻的位置点；
步骤三，进行自适应卡尔曼滤波，对卫星定位数据进行滤波操作，经过所属滤波操作后产生新的卫星定位位置数据，即为滤除漂移数据优化后新的卫星定位数据；
所述步骤一中，对动态阈值进行设定，当前时刻的位置信息是与上一时刻的位置信息和自身的速度与航向角有关的，当Δt足够短时，当前时刻的位置与前一时刻的位置关系具体为：
式中，Px,t表示t时刻在东北天坐标系下东西方向上的位置；Py,t表示t时刻在东北天坐标系下南北方向上的位置；vt-1表示t-1时刻的速度；at-1表示t-1时刻的加速度；表示t-1时刻的航向角；
所述步骤二中，高斯过程回归的具体计算方法是：
首先选取高斯核函数作为高斯过程回归的协方差函数：
这里加入了一个高斯白噪声，服从分布；
然后根据上面的协方差函数可以得到观测值与预测值的联合分布，观测值y-3,y-2,y-1与预测值y的联合分布为：
其中，y-3,y-2,y-1为前三个时刻的观测值，y为当前时刻的预测值。
令K*＝[k(x,x-3) k(x,x-2) k(x,x-1)]，
K**＝k(x,x)，Y＝[y-3 y-2 y-1]T
则当前时刻的预测值为：
使用所述预测值作为当前时刻新的卫星定位数据，代替当前时刻与前一时刻位置差大于动态阈值的数据。
2.如权利要求1所述的一种车辆卫星定位数据的联合滤波优化方法，其特征在于，在确定当前时刻位置与前一时刻的位置的关系可以选取动态阈值，所述动态阈值为各种情况下发生的最大值，在综合考虑信号干扰、速度以及加速度传感器误差的情况下，我们采用最大值的两倍作为动态阈值，如下：
Treshold＝2(v·Δt+0.5a·Δt2)
可见，在判断当前时刻的卫星定位点是否为漂移点时，判断依据为：
Pt-Pt-1＜Treshold。
3.如权利要求1所述的一种车辆卫星定位数据的联合滤波优化方法，其特征在于，所述步骤二与步骤三中，采用了高斯过程回归与自适应卡尔曼滤波联合方法对卫星定位的漂移点进行滤除优化操作，其中高斯过程回归利用前三个时刻的位置信息进行学习预测当前时刻的位置，然后自适应卡尔曼滤波对于卫星定位较小的漂移点也会进行滤除。
4.如权利要求1或3所述的一种车辆卫星定位数据的联合滤波优化方法，其特征在于，较大的漂移点采用动态阈值法进行识别，动态阈值跟实时的车速相关，对于车速小于10km/h时，选取的阈值为1m。
CN201910284452.XA 2019-04-10 2019-04-10 一种车辆卫星定位数据的联合滤波优化方法 Active CN109975839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910284452.XA CN109975839B (zh) 2019-04-10 2019-04-10 一种车辆卫星定位数据的联合滤波优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910284452.XA CN109975839B (zh) 2019-04-10 2019-04-10 一种车辆卫星定位数据的联合滤波优化方法

Publications (2)

Publication Number Publication Date
CN109975839A CN109975839A (zh) 2019-07-05
CN109975839B true CN109975839B (zh) 2023-04-07

Family

ID=67083842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910284452.XA Active CN109975839B (zh) 2019-04-10 2019-04-10 一种车辆卫星定位数据的联合滤波优化方法

Country Status (1)

Country Link
CN (1) CN109975839B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050187B (zh) * 2019-12-26 2024-03-01 中国石油天然气集团有限公司 滤波方法及装置、计算机设备及计算机可读存储介质
CN111679297A (zh) * 2020-05-08 2020-09-18 四川超影科技有限公司 一种gps定位轨迹的噪声点漂移去除方法
CN114252079A (zh) * 2021-02-25 2022-03-29 襄阳达安汽车检测中心有限公司 一种基于定位和车辆数据的定位可靠性判断方法和系统
CN113672608B (zh) * 2021-08-25 2023-07-25 东北大学 基于自适应约简阈值的物联网感知数据约简系统及方法
CN114639267A (zh) * 2022-03-07 2022-06-17 华设设计集团股份有限公司 一种车路协同环境中车辆避撞预警方法
CN114779280B (zh) * 2022-06-20 2022-09-13 军事科学院系统工程研究院网络信息研究所 一种控制系统及方法
CN116628618B (zh) * 2023-07-26 2023-09-22 中汽信息科技(天津)有限公司 一种车辆监控数据的处理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405151B (zh) * 2015-10-26 2018-01-23 西安电子科技大学 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法
CN107389069B (zh) * 2017-07-25 2020-08-21 上海航天控制技术研究所 基于双向卡尔曼滤波的地面姿态处理方法
CN107421550B (zh) * 2017-07-25 2020-08-28 北京航空航天大学 一种基于星间测距的地球-Lagrange联合星座自主定轨方法
CN107621264B (zh) * 2017-09-30 2021-01-19 华南理工大学 车载微惯性/卫星组合导航系统的自适应卡尔曼滤波方法

Also Published As

Publication number Publication date
CN109975839A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109975839B (zh) 一种车辆卫星定位数据的联合滤波优化方法
CN110823217B (zh) 一种基于自适应联邦强跟踪滤波的组合导航容错方法
CN110161543B (zh) 一种基于卡方检验的部分粗差抗差自适应滤波方法
CN107274721B (zh) 一种智能交通系统中多车辆协作定位方法
CN108345021B (zh) 一种多普勒雷达辅助gps/ins车辆测速方法
CN107450511B (zh) 评估车辆控制模型的方法、装置、设备和计算机存储介质
CN103047982B (zh) 基于角度信息的目标自适应跟踪方法
CN108983271A (zh) 基于rtk-gps/ins列车组合定位方法
CN110555398B (zh) 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法
CN110954132A (zh) Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN109447161B (zh) 一种基于汽车雷达数据的实时增量与自适应聚类方法
CN111750854A (zh) 车辆定位方法、装置、系统及存储介质
CN115265551A (zh) 一种无人驾驶复杂场景下的多传感器融合定位方法和系统
CN109859528A (zh) 一种基于v2x车联网的弯道处车辆位置分类方法
CN104180801B (zh) 基于ads‑b系统航迹点的预测方法和系统
CN109033017B (zh) 一种丢包环境下的车辆侧倾角与俯仰角估计方法
CN109739234A (zh) 一种基于gps轨迹数据的车辆实时图像追踪方法
CN109696908B (zh) 机器人及其航迹设置方法和系统
CN108398704B (zh) 一种贝叶斯滤波的多车辆协作定位方法
CN110191422A (zh) 海洋水下传感器网络目标跟踪方法
CN111731285B (zh) 基于v2x技术的车辆防碰撞方法及装置
CN111091148B (zh) 一种基于目标先验信息的车载雷达目标跟踪方法及装置
CN113819911A (zh) Gnss失锁下基于自适应容错滤波的导航方法
CN110579781B (zh) 一种车辆定位方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Joint Filtering Optimization Method for Vehicle Satellite Positioning Data

Effective date of registration: 20231010

Granted publication date: 20230407

Pledgee: Bank of China Limited Wuhan Economic and Technological Development Zone sub branch

Pledgor: ISMARTWAYS (WUHAN) TECHNOLOGY Co.,Ltd.

Registration number: Y2023980060478